基于FFA-VSELMAN的风电功率短期预测
发布时间：2023-03-16 08:25
随着煤炭,石油和天然气等化石燃料的不断消耗,可再生能源问题已成为世界关注的焦点。风能是可再生清洁能源,具有很强的随机性和间歇性。由于风电出力的波动性会降低电力系统的可靠性,所以建立一个高精度的风电场风电功率预测模型至关重要。本文针对风电功率预测展开以下几个方面研究:(1)针对数据预处理问题,即如何选取与风电功率相关性较强气象特征的作为预测模型的输入量,引入Copula理论进行相关性分析。首先对风电功率和当地气象特征之间的相关性进行总体分析,利用秩相关系数及欧式距离选取最优Copula函数;其次在微观角度采用BEMD分解算法对风电功率与气象特征进行分解并进一步分析两者之间相关性,最后选取相关性较强的气象特征作为预测模型的输入量。(2)考虑到Elman神经网络的训练问题,提出可变学习速率Elman神经网络(VSELMAN)。这种方法可以使网络始终保持以最大速率进行训练。(3)首先考虑到VSELMAN神经网络的参数优化的问题,采用萤火虫算法(FA)进行优化;然后针对萤火虫算法步长固定的问题引入模糊逻辑构造一种模糊萤火虫算法(FFA),并进行实验对比萤火虫算法与模糊萤火虫算法,结果表明模糊萤火...
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 风电功率预测的研究背景及意义
1.1.1 风电功率预测研究背景
1.1.2 风电功率预测研究意义
1.2 国内外研究现状
1.2.1 国外风电功率预测研究现状
1.2.2 国内风电功率预测研究现状
1.3 论文主要内容和章节安排
第二章 基于Copula理论的气象数据与风电功率相关性分析及数据预处理
2.1 引言
2.2 Copula理论
2.2.1 Copula函数定义与性质
2.2.2 常见Copula函数
2.3 相关性指标
2.3.1 Kendall秩相关系数
2.3.2 Spearman秩相关系数
2.4 Copula函数的参数估计与最优Copula函数选择
2.5 总体相关性分析
2.5.1 相关性分析具体步骤
2.5.2 风电功率与平均风速总体数据相关性分析
2.5.3 风电功率与平均温度总体数据相关性分析
2.5.4 风电功率与平均水汽压总体数据相关性分析
2.5.5 风电功率与日总辐射总体数据相关性分析
2.6 微观相关性分析
2.6.1 BEMD原理
2.6.2 BEMD算法具体步骤
2.6.3 BEMD与 EMD对比
2.6.4 微观相关性分析具体步骤
2.6.5 实测数据分析
2.7 本章小结
第三章 基于FFA优化VSELMAN网络模型
3.1 人工神经网络
3.1.1 人工神经网络结构
3.1.2 神经网络的工作过程及特点
3.2 BP神经网络
3.2.1 多层神经网络的结构
3.2.2 BP学习算法
3.3 Elman神经网络
3.3.1 Elman神经网络结构
3.3.2 Elman神经网络原理及算法描述
3.4 可变学习速度ELMAN神经网络(VSELMAN)
3.4.1 Elman网络分析
3.4.2 可变学习速率方法
3.5 短期风电功率预测的VSELMAN神经网络设计
3.5.1 样本数据的处理
3.5.2 网络的层数
3.5.3 隐含层的神经元数
3.5.4 初始权值的选取
3.6 模糊萤火虫优化算法(FFA)
3.6.1 模糊理论简介
3.6.2 萤火虫算法原理
3.6.3 萤火虫算法基本组成
3.6.4 模糊萤火虫算法原理
3.6.5 模糊萤火虫算法流程
3.6.6 模糊控制器输入变量
3.6.7 模糊控制器变量的模糊化及规则
3.7 FFA优化问题求解
3.7.1 测试函数
3.7.2 实验结果与分析
3.8 模糊萤火虫算法优化VSELMAN网络
3.8.1 FFA-VSELMAN神经网络预测步骤
3.9 本章小结
第四章 基于FFA-VSELMAN模型短期风电功率预测仿真及结果分析
4.1 实验数据及性能评价指标
4.2 对比实验及结果分析
4.2.1 BP神经网络与Elman神经网络分析
4.2.2 VSELMAN、FA-VSELMAN预测对比分析
4.2.3 FA-VSELMAN、FFA-VSELMAN预测对比实验
4.3 本章小结
第五章 总结与展望
5.1 本文总结
5.2 进一步研究展望
参考文献
致谢
攻读硕士学位期间取得的研究成果
本文编号：3763004
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 风电功率预测的研究背景及意义
1.1.1 风电功率预测研究背景
1.1.2 风电功率预测研究意义
1.2 国内外研究现状
1.2.1 国外风电功率预测研究现状
1.2.2 国内风电功率预测研究现状
1.3 论文主要内容和章节安排
第二章 基于Copula理论的气象数据与风电功率相关性分析及数据预处理
2.1 引言
2.2 Copula理论
2.2.1 Copula函数定义与性质
2.2.2 常见Copula函数
2.3 相关性指标
2.3.1 Kendall秩相关系数
2.3.2 Spearman秩相关系数
2.4 Copula函数的参数估计与最优Copula函数选择
2.5 总体相关性分析
2.5.1 相关性分析具体步骤
2.5.2 风电功率与平均风速总体数据相关性分析
2.5.3 风电功率与平均温度总体数据相关性分析
2.5.4 风电功率与平均水汽压总体数据相关性分析
2.5.5 风电功率与日总辐射总体数据相关性分析
2.6 微观相关性分析
2.6.1 BEMD原理
2.6.2 BEMD算法具体步骤
2.6.3 BEMD与 EMD对比
2.6.4 微观相关性分析具体步骤
2.6.5 实测数据分析
2.7 本章小结
第三章 基于FFA优化VSELMAN网络模型
3.1 人工神经网络
3.1.1 人工神经网络结构
3.1.2 神经网络的工作过程及特点
3.2 BP神经网络
3.2.1 多层神经网络的结构
3.2.2 BP学习算法
3.3 Elman神经网络
3.3.1 Elman神经网络结构
3.3.2 Elman神经网络原理及算法描述
3.4 可变学习速度ELMAN神经网络(VSELMAN)
3.4.1 Elman网络分析
3.4.2 可变学习速率方法
3.5 短期风电功率预测的VSELMAN神经网络设计
3.5.1 样本数据的处理
3.5.2 网络的层数
3.5.3 隐含层的神经元数
3.5.4 初始权值的选取
3.6 模糊萤火虫优化算法(FFA)
3.6.1 模糊理论简介
3.6.2 萤火虫算法原理
3.6.3 萤火虫算法基本组成
3.6.4 模糊萤火虫算法原理
3.6.5 模糊萤火虫算法流程
3.6.6 模糊控制器输入变量
3.6.7 模糊控制器变量的模糊化及规则
3.7 FFA优化问题求解
3.7.1 测试函数
3.7.2 实验结果与分析
3.8 模糊萤火虫算法优化VSELMAN网络
3.8.1 FFA-VSELMAN神经网络预测步骤
3.9 本章小结
第四章 基于FFA-VSELMAN模型短期风电功率预测仿真及结果分析
4.1 实验数据及性能评价指标
4.2 对比实验及结果分析
4.2.1 BP神经网络与Elman神经网络分析
4.2.2 VSELMAN、FA-VSELMAN预测对比分析
4.2.3 FA-VSELMAN、FFA-VSELMAN预测对比实验
4.3 本章小结
第五章 总结与展望
5.1 本文总结
5.2 进一步研究展望
参考文献
致谢
攻读硕士学位期间取得的研究成果
本文编号：3763004
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3763004.html
